核心用法
Qwen TTS 是一款基于 Hugging Face Qwen3-TTS-12Hz-1.7B-CustomVoice 的本地文本转语音工具，用户通过命令行脚本即可生成高质量语音。核心指令为 scripts/tts.py，支持 -l 指定语言、-s 切换 9 种精品说话人、-i 以自然语言指令控制情绪与风格（如 "Parla con entusiasmo"）。首次运行需执行 setup.sh 创建约 500MB 的虚拟环境，模型文件约 1.7GB 在首次合成时自动下载，此后完全离线运行。
显著优点
- 完全本地化：无需订阅 ElevenLabs 等云服务，无 API 费用与网络延迟，适合隐私敏感场景。
- 多语言支持：覆盖中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语 10 种语言，且跨语言合成效果可用。
- 指令可控：通过
-i参数以自然语言描述情感、语速、风格，实现零样本风格迁移。 - 9 种精品音色：包含中英日韩多地域特色说话人，如北京腔 Dylan、成都腔 Eric、美式 Ryan 等，音色区分度鲜明。
- OpenClaw 兼容：脚本标准输出音频路径，便于自动化工作流集成。
潜在局限
- 硬件门槛：GPU 合成仅需 1-3 秒，但 CPU 需 10-30 秒，低配置设备体验受限；1.7GB 模型对内存/显存有一定要求。
- 说话人数量：仅 9 个预设音色，无法像云端服务那样上传自定义声音克隆。
- 音质上限：16kHz WAV 输出，虽清晰但未达到 44.1kHz 或更高采样率标准，后期如需广播级音质需上采样处理。
- 中文偏见：模型训练数据以中文为主，非中文说话人合成非母语时可能出现轻微口音或韵律偏差。
适合人群
- 注重数据隐私、需要离线 TTS 的个人开发者与内容创作者；
- 多语言应用开发者，需低成本集成意/德/法/俄等语种语音；
- 希望用自然语言指令快速调整播报情绪、风格的播客与视频制作者；
- 需要与 OpenClaw 等自动化框架对接的技术用户。
常规风险
- 初始下载依赖 Hugging Face：首次模型拉取受网络环境影响，中国大陆用户需配置镜像（HF_ENDPOINT）；下载失败将导致功能不可用。
- Python 版本锁定：仅支持 Python 3.10-3.12，系统 Python 版本不匹配需手动安装或调整环境。
- 许可合规：模型授权条款以 Hugging Face 模型卡为准，商用需自行确认当前 license（如 Qwen License 2.0 或其变体）。
- 输出文件管理：脚本默认输出至当前目录，未自动清理，长期运行需关注磁盘空间。